用于水泥熟料fCaO预测的多核最小二乘支持向量机模型

针对水泥熟料游离氧化钙(fCaO)含量预测模型辨识的问题,考虑到单一核函数无法显著提高模型精度,采用多项式核函数、指数径向基核函数和高斯径向基核函数组合构建等价核的方法,建立了多核最小二乘支持向量机水泥熟料fCaO预测模型。同时,利用改进的粒子群优化算法对多核最小二乘支持向量机模型的6个待确定参数进行迭代寻优,避免了模型参数人工选取的盲目性。最后将基于改进粒子群的多核最小二乘支持向量机模型应用于熟料fCaO含量的实例仿真。结果表明,建立的水泥熟料fCaO含量预测模型精度高、泛化能力强。

基于核主元分析和最小二乘支持向量机的中速磨煤机故障诊断

为了对火电厂磨煤机作出早期故障预测并有效判别其故障类型,提出了基于核主元分析(KPCA)和最小二乘支持向量机(LSSVM)的磨煤机故障诊断新方法,并采用该方法对某电厂的HP碗式中速磨煤机的故障特征数据进行了仿真试验.结果表明:该方法可提取变量的特征信息,以有效地捕捉变量间的非线性关系,从而能有效地处理故障征兆与故障类型之间的不确定性,具有很好的分辨力,而且故障诊断的正确率很高.

基于稀疏多核最小二乘支持向量机的浮选关键指标软测量

由于浮选性能受多种因素的制约,适宜的矿浆pH值是高效泡沫浮选的关键。针对pH值在线检测仪易受干扰、维护保养成本高等不足,结合泡沫浮选过程机理分析,以泡沫视频图像特征为辅助变量,将局部核函数和全局核函数加权组合,提高模型的学习和泛化能力,利用Schmidt正交化理论约简多核矩阵,减小计算量,建立基于稀疏多核最小二乘支持向量机的浮选矿浆pH值软测量模型。工业运行数据测试结果表明:所建模型具有预测精度高、反应迅速、稳定性好等优点,适于工业应用。

基于核主元分析和最小二乘支持向量机的软测量建模

软测量技术是工业过程控制和分析的有力工具,它的核心问题是如何建立学习速度快且泛化性能优良的软测量模型。提出了一种基于核主元分析(KPCA)和最小二乘支持向量机(LSSVM)的软测量建模方法,利用核主元分析提取软测量输入数据空间中的非线性主元,然后用最小二乘支持向量机进行建模,不但降低模型复杂性,而且提高了模型泛化能力。最后将上述方法用于PTA结晶过程的软测量建模,仿真结果表明:与SVM、PCA-SVM建模方法相比,该KPCA-LSSVM方法具有学习速度快、跟踪性能好、泛化能力强等优点,是一种有效的软测量建模方法。

基于核主成分分析与最小二乘支持向量机结合处理时间序列预测问题

探讨了最小二乘支持向量机时间序列预测的方法,提出了用核主成分分析提取主元,然后用最小二乘支持向量机进行预测．通过实验表明,这种方法得到的效果优于没有特征提取的预测．同时与主成分分析提取特征相比,用核主成分分析效果更好．

基于聚类核函数的最小二乘支持向量机高光谱图像半监督分类

针对大规模的高光谱数据分类,为了利用未标签样本所含信息,来提升分类器性能,提出了一种半监督分类算法。该算法根据聚类假设,即属于同一类地物的样本点在聚类中被分为同一类的可能性较大的原则来改进核函数,采用基于光谱角度量的K均值聚类算法对样本集进行聚类,根据多次聚类的结果,构造包袋核函数,然后利用加法和乘法运算将包袋核函数和RBF核函数组合成新的核函数,从而把未标签样本信息融入分类器。而且采用最小二乘支持向量机,将标准支持向量机的二次规划问题转换为求解线性方程组的问题。高光谱实测数据实验表明了本文方法的优越性。

基于最小二乘支持向量机对偶优化问题的核偏最小二乘

提出了一种基于对偶优化的核最小二乘(KPLS)方法,把KPLS用最小二乘支持向量机的形式表示.推导了KPLS对偶优化形式的公式,且使其具有最小二乘支持向量机的风格.在初始空间中构造优化问题,应用核技术在特征空间中解对偶问题,这种解与非线性的KPLS具有相似性.实验验证了这种方法的效果,表明了该方法的有效性和优越性.

基于局域均值分解和多核最小二乘支持向量机的短期风速预测

针对风速时间序列的非线性和非平稳性,提出一种基于局域均值分解(Local Mean Decomposition,LMD)和多核最小二乘支持向量机的短期风速预测模型。该方法首先对LMD对风速时间序列进行多层分解,得到一系列的PF(Product Function,PF)分量;然后运用多核最小二乘支持向量机模型对分解后的各PF分量风速进行预测;最后对各预测结果进行叠加作为最终的预测风速。算例结果表明,该预测模型能准确进行短期风速的预测。

尺度核函数在最小二乘支持向量机信号逼近中的应用

针对目前常采用高斯核的最小二乘支持向量机(LS-SVM)不能对信号多尺度逼近的问题,提出一种采用尺度核的LS-SVM.首先,在再生核希尔伯特空间的框架下构建了一种点积型的尺度核函数,它满足Mercer条件,并具备平移和扩张的特性,是尺度子空间的一组完备的基.然后,利用拉格朗日乘子法求解LS-SVM逼近的约束规划问题,在结构风险最小化逼近准则下获得了逼近系数.与传统核函数相比,采用尺度核的LS-SVM可以实现多尺度逼近任意信号,且应用时仅需对尺度参数调节选优,简便、实用.实验结果表明:所提算法的逼近性能与小波核性能相当;与传统的高斯核函数相比,其均方根误差提高8.4%.

基于核的偏最小二乘特征提取的最小二乘支持向量机回归方法

提出了用核的偏最小二乘进行特征提取.首先把初始输入映射到高维特征空间,然后在高维特征空间中计算得分向量,降低样本的维数,再用最小二乘支持向量机进行回归.通过实验表明,这种方法得到的效果优于没有特征提取的回归.同时与PLS提取特征相比,KPLS分析效果更好.

一类非平坦函数的多核最小二乘支持向量机的鲁棒回归算法

给出了标准最小二乘支持向量机的数学回归模型,并提出了多核最小二乘支持向量机算法,用于提高非平坦函数的回归精度.运用谱系聚类方法解决多核最小二乘支持向量机的解缺乏稀疏性的问题.利用偏最小二乘回归方法对多核最小二乘支持向量机进行了鲁棒回归.通过仿真实例证实了所提方法的有效性.

基于核主成分-最小二乘支持向量机的区域物流需求预测

概述区域物流需求预测方法,分别阐明核主成分分析(KPCA)和最小二乘支持向量机(LSSVM)模型的原理,提出将核主成分分析(KPCA)与最小二乘支持向量机(LSSVM)相结合,建立核主成分-最小二乘支持向量机(KPCA-LSSVM)预测模型。先利用KPCA对数据进行预处理,消除变量之间的相关性,提取非线性主成分,再通过LSSVM对提取的非线性主成分进行训练,建立预测模型。最后,通过实例验证比较LSSVM与KPCA-LSSVM两种模型的预测性能。结果表明,KPCA-LSSVM的预测精度较LSSVM明显提高,是一种有效的中短期区域物流需求预测方法。

基于约简核矩阵的稀疏最小二乘支持向量机

为了解决最小二乘支持向量机模型稀疏性不足的问题,提出了一种约简核矩阵的LS-SVM稀疏化方法。按照空间两点的欧式距离寻找核矩阵中相近的行(列),并通过特定的规则进行合并,以减小核矩阵的规模,进而求得稀疏LS-SVM模型。以高斯径向基核函数为例,详细阐述了改进方法的实现步骤,并通过仿真表明了采用该方法求得的稀疏LS-SVM模型泛化能力良好。

基于移动窗的多核最小二乘支持向量机建模算法

针对时变工业过程建模中存在的模型泛化性和适应性较低的问题,利用移动窗技术,通过使用多个核函数,提出了一种基于移动窗的多核最小二乘支持向量机(LSSVM)建模算法.该算法在最小二乘支持向量机算法基础上,利用多核组合代替单核,增强了模型的泛化能力;利用移动窗技术,增加了模型对时变工业过程的动态辨识能力及模型的更新效率.仿真实验结果表明,该算法具有更好的泛化性能.

基于多核对称最小二乘支持向量机的永磁同步电机混沌建模

针对永磁同步电机在一定情况下呈现混沌特性且混沌模型难以精确获得的情况,提出了一种基于多核对称最小二乘支持向量机的回归建模方法.在最小二乘支持向量机模型中增加对称性的约束条件,构成对称最小二乘支持向量机.将多核学习的方法与对称最小二乘支持向量机相结合,构造由多个基本核函数线性组合而成的新的等价核,用于建立永磁同步电机的混沌回归模型.仿真结果表明,与一般最小二乘支持向量机相比,该方法能够降低单个核函数的选择对建模精度的影响,提高混沌建模精度.

混合核函数最小二乘支持向量机的网络流量预测模型

针对网络流量复杂多杂特点,基于组合优化理论,提出一种混合核函数最小二乘支持向量机的网络流量预测模型。首先,基于混沌理论将一维网络流量变为多维时间序列,然后,采用多项式核函数和高斯径向基核函数构建混合核函数,并将训练样本输入到最小二乘支持向量机中学习,最后,采用真实网络流量数据对模型性能进行测试。结果表明,相对于单核函数最小二乘支持向量机及其它网络流量预测模型,模型能够准确捕捉网络流量变化规律,有效地提高了网络流量的预测精度,而且具有一定的鲁棒性。

最小二乘支持向量机的核函数及参数选择算法研究

核函数及其参数选择是影响支持向量机分类效能的核心问题,其本质是一个优化选择问题。粒子群优化算法是一种性能优良的搜索算法,但容易造成局部最优解,通过采用遗传算法的交叉和变异操作能很好地解决这个问题。在此基础上提出了基于改进粒子群优化算法的最小二乘支持向量机方法,并通过对比试验进行了验证。

基于核偏最小二乘的支持向量机回归算法研究

对SVM的特征提取问题进行了研究,提出了KPLS-SVM组合回归建模方法。该方法在输入空间映射得到的高维特征空间中进行PLS特征提取后,再进行SVM回归,不仅保持了SVM良好的模型性能,并且兼具KPLS和SVM的优点。仿真和实验结果表明,该KPLS-SVM建模方法是正确且有效的,采用该方法构建的SVM模型,泛化性能明显优于没有特征提取的SVM。

基于优化组合核最小二乘支持向量机的脉动风速预测

将B(包括B1,B3和B5)样条核函数和径向基(radial basic function,RBF)核函数进行线性组合,构造B-RBF组合核函数,进而提出基于粒子群优化B-RBF核的最小二乘支持向量机(least squares support vector machine,LSSVM).在脉动风速预测中,运用粒子群优化(particle swarm optimization,PSO)算法对B-RBF-LSSVM模型的惩罚参数和核函数参数进行智能优化.同时给出PSO-RBF-LSSVM的数值预测结果进行比较.数值分析表明,PSO-B3-RBF-LSSVM比PSO-B1-RBF-LSSVM,PSO-B5-RBF-LSSVM和PSORBF-LSSVM具有更高的预测性能.

基于改进自适应粒子群算法的混合核函数最小二乘支持向量机大坝变形预测

针对大坝变形影响因素的复杂性以及监测数据的非线性、随机波动大和预测难度大等问题,提出一种改进自适应粒子群(particle swarm,PSO)算法的混合核函数最小二乘支持向量机(least squares support vector machine,LSSVM)模型,实现了大坝水平变形的时间序列预测方法。基于Mercer理论,将多项式核函数和高斯核函数进行线性组合,构建混合核函数,作为LSSVM模型的核函数,并以特征因子与大坝变形间的相互联系为基础,采用动态自适应惯性权重的PSO算法,对混合核函数的LSSVM模型进行参数寻优,以确保建立最佳LSSVM预测模型。将模型应用于丰满大坝,并与传统多项式核函数和传统高斯核函数的LSSVM模型进行对比仿真实验,对所提方法的有效性和准确性进行验证评估。结果表明,该模型在预测精度上有了明显提高,预测性能尤佳。可见改进自适应粒子群的混合核函数LSSVM模型对大坝变形的时间序列预测有良好的实用价值。